Por Swami Sivasubramanian
La
revolución industrial dio lugar a innumerables inventos y nuevos
productos como en ninguna otra época de la historia de la humanidad.
Mientras veneramos el telar, la máquina de vapor, la electricidad o la
producción en masa, de la que fue pionero el modelo T de Ford, a menudo
pasamos por alto los inspirados mecanismos y procesos que hicieron
posibles los increíbles productos.
Pensemos
en la humilde innovación que se encuentra en prácticas de fabricación
omnipresentes como el mantenimiento de los equipos,
la garantía de calidad y la optimización de la cadena de suministro.
Estas invenciones son tan críticas para los procesos industriales y de
fabricación hoy en día como lo eran hace más de un siglo, pero llevarlas
a cabo con éxito a la escala y complejidad
requeridas en el mercado global actual es todo un reto. Gracias a la
convergencia de los datos y el aprendizaje automático, estas prácticas
perdurables de la fabricación industrial están ahora preparadas para ser
reinventadas.
Cada
día, las empresas están generando enormes cantidades de datos,
almacenando esta información en la nube, y utilizando esos activos para
repensar prácticamente todos
sus procesos. Para obtener más información de sus datos y, en última
instancia, tomar decisiones más rápidas e informadas, las empresas de
los sectores de fabricación, energía, minería, el transporte y la
agricultura están aprovechando los nuevos tipos de
tecnología para mejorar las cargas de trabajo industriales, como la
ingeniería y el diseño, la producción y la optimización de activos, la
gestión de la cadena de suministro, la previsión, la gestión de la
calidad, los productos y las máquinas inteligentes,
etc.
Desde
la eficiencia operativa hasta el control de calidad y más allá, aquí
hay cuatro formas clave en que las empresas están utilizando el
aprendizaje automático para
repensar los procesos industriales:
Mantenimiento predictivo de los equipos
Un
reto común, pero importante, al que se enfrentan hoy en día muchas
empresas industriales y de fabricación es el mantenimiento continuo de
sus equipos. Históricamente,
la mayor parte del mantenimiento de los equipos ha sido reactivo
(después de que una máquina se rompa) o preventivo (realizado a
intervalos regulares para ayudar a evitar que las máquinas se rompan),
siendo ambas prácticas costosas e ineficientes.
La
mejor solución es el mantenimiento predictivo, el cual da a las
empresas la capacidad de prever cuándo los equipos necesitarán
mantenimiento. Sin embargo, la mayoría
de las empresas carecen del personal y los conocimientos necesarios
para crear su propia solución.
Afortunadamente,
para empresas como GE Power -un proveedor líder de equipos, soluciones y
servicios de generación de energía- el mantenimiento predictivo está
por fin
al alcance de la mano. Ahora existen sistemas integrales que utilizan
sensores y aprendizaje automático para detectar y alertar a las empresas
de fluctuaciones anormales en la vibración o la temperatura de la
maquinaria, sin necesidad de tener experiencia
en aprendizaje automático o en la nube.
Este
tipo de tecnología ayudó a GE Power a reequipar rápidamente los activos
con sensores y conectarlos a los análisis en tiempo real en la nube,
pasando de prácticas
de mantenimiento basadas en el tiempo a prácticas predictivas y
prescriptivas. Y a medida que se amplía, GE Power puede utilizar estos
sistemas para actualizar y mantener a distancia su flota de sensores,
sin tener que tocarlos físicamente.
Detección de anomalías mediante visión por ordenador
Tan
importante como asegurarse de que los equipos funcionan correctamente
es garantizar la calidad de los productos que producen. La inspección
visual de los procesos
industriales suele requerir un examen humano, que puede ser tedioso e
inconsistente. Para mejorar el control de calidad, las empresas
industriales recurren a la visión por ordenador para obtener una mayor
velocidad y precisión en la identificación de los defectos
de forma sistemática.
Una
vez más, complejas barreras habían impedido a las empresas construir,
desplegar y gestionar sus propios sistemas de anomalías visuales
impulsados por el aprendizaje
automático. Ahora, las empresas pueden utilizar soluciones de detección
de anomalías de alta precisión y bajo costo que son capaces de procesar
miles de imágenes por hora para detectar defectos y anomalías, y luego
informar de las imágenes que difieren de
la línea de base para que se puedan tomar las medidas adecuadas.
Por
ejemplo, Dafgards, un fabricante de alimentos para el hogar de Suecia,
utiliza la visión por ordenador en la producción de su marca Billy's Pan
Pizza, una pizza
apta para microondas que se hornea y envasa a una velocidad de 2 pizzas
por segundo. Aunque anteriormente habían instalado un sistema de visión
artificial para detectar la cobertura adecuada del queso en sus pizzas,
no lograba detectar los defectos en las
pizzas con múltiples ingredientes. Al utilizar un nuevo servicio de
aprendizaje automático que aprovecha la visión por ordenador, pudieron
ampliar su capacidad de inspección de forma fácil y rentable. La empresa
tuvo tanto éxito que Dafgards amplió el uso
de la visión por ordenador a múltiples variedades de pizzas, así como a
otras líneas de productos, como hamburguesas y quiches, por ejemplo.
Mejora de la eficiencia operativa
Muchas
empresas industriales y de fabricación también están buscando aplicar
la visión por ordenador para ayudar en sus esfuerzos por optimizar la
eficiencia y mejorar
las operaciones. En la actualidad, las empresas revisan manualmente las
fuentes de vídeo de sus instalaciones industriales para autentificar el
acceso a las mismas, inspeccionar los envíos y detectar derrames u
otras condiciones peligrosas. Pero hacer esto
en tiempo real no sólo es una tarea difícil, sino también propensa a
errores y costosa.
Y
aunque las empresas pueden tratar de actualizar las cámaras de
protocolo de Internet (IP) existentes por cámaras inteligentes que
tengan suficiente capacidad de procesamiento
para ejecutar modelos de visión por ordenador, esto puede ser caro e
incluso con cámaras inteligentes conseguir un rendimiento de baja
latencia con buena precisión puede ser un reto. En su lugar, las
empresas industriales pueden utilizar dispositivos de hardware
que les permitan añadir visión por ordenador a las cámaras existentes
en sus instalaciones, o incluso utilizar kits de desarrollo de software
para construir nuevas cámaras que puedan ejecutar modelos de visión por
ordenador significativos.
La
empresa energética mundial BP quiere implantar la visión por ordenador
en sus 18.000 estaciones de servicio de todo el mundo. Están trabajando
para aprovechar la
visión por ordenador para automatizar la entrada y salida de los
camiones de combustible a sus instalaciones, y para verificar que se ha
cumplido el pedido correcto. Además, la visión por ordenador puede
ayudar a alertar a los trabajadores si hay riesgo de
colisión, identificar un objeto extraño en una zona de exclusión
dinámica y detectar cualquier fuga de aceite.
Previsión para la optimización de la cadena de suministro
Las
modernas cadenas de suministro de hoy en día son complejas redes
globales de fabricantes, proveedores, logística y minoristas que
requieren métodos sofisticados
para detectar y adaptarse a la demanda de los clientes, a las
fluctuaciones en la disponibilidad de las materias primas y a factores
externos como vacaciones, eventos e incluso el clima. Las repercusiones
de no pronosticar correctamente estas variables pueden
ser costosas, lo que se traduce en un exceso o en una falta de
aprovisionamiento y conduce a una inversión desperdiciada o a una mala
experiencia del cliente.
Para
ayudar a prever el futuro, las empresas están utilizando el aprendizaje
automático para analizar los datos de las series temporales y
proporcionar previsiones
precisas que les ayuden a reducir los gastos operativos y las
ineficiencias, garantizar una mayor disponibilidad de recursos y
productos, entregar los productos más rápidamente y reducir los costes.
El
aprendizaje automático ayudó a Foxconn, el mayor fabricante de
productos electrónicos y proveedor de soluciones tecnológicas del
mundo con sede en Taipei (Taiwán), cuando tuvo que hacer frente a una
demanda sin precedentes de los suministros y la capacidad como
consecuencia de la pandemia de Covid-19.
La
empresa desarrolló un modelo de previsión de la demanda para su fábrica
en México con el fin de generar previsiones precisas de pedidos netos.
Utilizando el modelo
de aprendizaje automático, pudieron aumentar la precisión de las
previsiones en un 8%, lo que supone un ahorro previsto de 553.000
dólares anuales por instalación, al tiempo que se minimiza el
desperdicio de mano de obra y se maximiza la satisfacción del cliente.
Para
estar a la altura del potencial que el aprendizaje automático puede
ofrecer a los entornos industriales, a los productos manufacturados y a
las operaciones logísticas
y de la cadena de suministro, las empresas recurren cada vez más al
aprendizaje automático para que los procesos sean más fáciles, rápidos y
precisos. Mediante el uso de una combinación de análisis de datos en
tiempo real en la nube y el aprendizaje automático,
las empresas industriales están convirtiendo constantemente sus
aspiraciones en realidades y estimulando la próxima revolución
industrial.
